기계학습을 활용한 Keplers의 관심 대상에 대한 분석: 외계행성 식별을 위한 연구

수십 년 동안 행성 식별은 전문 천문학자들과 특수 장비를 활용한 연구자들에 의해 수행되어 왔다. 그러나 계산 방법의 발전과 우주 임무를 통해 얻은 위성 데이터 접근성 향상으로 인해 이러한 추세는 변화하고 있다. 예를 들어, NASA의 외계행성 탐사 프로그램은 우주 탐사에 도움이 되는 천체에 대한 방대한 데이터를 제공해 왔다. 관심 있는 임무 중 하나로 케플러 임무가 있다. 2007년 임무가 시작된 이후로 4,000개 이상의 전이 외계행성이 확인되었으며, 이는 행성의 크기, 별에 받는 복사 에너지(일조량), 항성 유형, 궤도 주기 등의 물리적 파라미터에 따라 행성 발생 빈도를 계산하는 데 도움이 되는 광범위한 데이터베이스를 제공한다. 이러한 정보는 '누적 케플러 관측 대상 정보(Cumulative Kepler Object of Information)' 데이터셋에 체계적으로 기록되어 있다. 이 연구에서는 네 가지 기본 모델—서포트 벡터 머신(Support Vector Machines), 랜덤 포레스트 분류기(Random Forest Classifiers), 아다부스트(AdaBoost), 딥 신경망(Deep Neural Networks)—를 비교 분석하였다. 그 결과, 최적의 머신러닝 모델로 아다부스트 분류기가 선정되었으며, 이 모델은 F-1 스코어 0.98을 기록하였다.